在經(jīng)濟(jì)、社會、環(huán)境可持續(xù)發(fā)展的進(jìn)程中,人們的生活水平和生活質(zhì)量有了很大的提高,要求擁有與之相適應(yīng)的良好的空氣質(zhì)量,以保障人體健康和生態(tài)健康。研究大氣環(huán)境中的源受體關(guān)系、確定影響空氣質(zhì)量的重點(diǎn)污染源,是空氣質(zhì)量管理的關(guān)鍵。由于空氣質(zhì)量的影響因素具有動態(tài)性、復(fù)雜性和可變性的特點(diǎn),而局地空氣質(zhì)量(受體)受到地理因素、氣象因素和經(jīng)濟(jì)因素(源點(diǎn))等綜合作用和耦合影響,其演變規(guī)律呈現(xiàn)多變性、波動性和非線性特點(diǎn)。如何有效表征空氣質(zhì)量特征的時空動態(tài)關(guān)聯(lián)關(guān)系,定量分析源點(diǎn)對受體空氣質(zhì)量的貢獻(xiàn)率,從而有效預(yù)測受體的空氣質(zhì)量具有重要意義。本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量源受體建模分析方法,充分考慮空間上各源點(diǎn)與受體之間的關(guān)聯(lián)關(guān)系,以及時間上歷史濃度的影響,更加準(zhǔn)確、穩(wěn)定地分析預(yù)測空氣質(zhì)量演變趨勢。首先,研究影響源受體空氣質(zhì)量狀況的影響因子。從空間和時間兩個維度進(jìn)行分析,空間關(guān)聯(lián)因子定義為各源點(diǎn)的氣象因素和污染物濃度,時間關(guān)聯(lián)因子定義為受體的歷史污染物濃度。在兼顧空氣質(zhì)量時間相關(guān)性與空間相關(guān)性的基礎(chǔ)上提出空氣質(zhì)量源受體模型的構(gòu)建方法。其次,分析源受體空氣質(zhì)量時空特征的動態(tài)關(guān)聯(lián)和約束關(guān)系。定性分析各源點(diǎn)與受體之間的影響因子,并采用數(shù)值擬合的方法進(jìn)行相關(guān)性分析,結(jié)合灰色關(guān)聯(lián)分析有效表征源與受體間的貢獻(xiàn)率。再次,提出基于神經(jīng)網(wǎng)絡(luò)的源受體分析預(yù)測模型。將監(jiān)測站點(diǎn)空氣質(zhì)量抽象為網(wǎng)絡(luò)節(jié)點(diǎn),在空間相關(guān)性的基礎(chǔ)上提出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法,在時間相關(guān)性的基礎(chǔ)上提出LSTM的預(yù)測方法。實(shí)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)的源受體空氣質(zhì)量特征映射。最后,對模型進(jìn)行訓(xùn)練和調(diào)整,在充分考慮空氣質(zhì)量的影響因素后通過模型預(yù)測未來一天受體的空氣質(zhì)量指數(shù),并對實(shí)驗(yàn)結(jié)果進(jìn)行分析對比。
【學(xué)位單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：X51;TP183
【部分圖文】：

背景及研究意義日益加重，引起世界各國越來越多的關(guān)注和重視。隨之而來的是工業(yè)化水平的日益昌盛�？諝赓|(zhì)量的以及身體健康[1]等，為保證人們的正常生活，國家空氣質(zhì)量是一個亟待解決的問題。國的首都，人口眾多，高度密集的化工廠和建筑群。根據(jù)資料顯示，北京空氣質(zhì)量狀況并不理想，并。隨后，國家發(fā)布相關(guān)法律制度(《大氣國十條》)為：到 2017 年，空氣污染狀況有所緩解，全國大下降 10%以上，優(yōu)良天數(shù)逐漸提高。截至到現(xiàn)在，完成“大氣十條”中制定的目標(biāo)仍有很大差距，其中可吸入顆粒同比 NO2的濃度還要高出 5%，PM2.5 所示。

背景及研究意義日益加重，引起世界各國越來越多的關(guān)注和重視。隨之而來的是工業(yè)化水平的日益昌盛�？諝赓|(zhì)量的以及身體健康[1]等，為保證人們的正常生活，國家空氣質(zhì)量是一個亟待解決的問題。國的首都，人口眾多，高度密集的化工廠和建筑群。根據(jù)資料顯示，北京空氣質(zhì)量狀況并不理想，并。隨后，國家發(fā)布相關(guān)法律制度(《大氣國十條》)為：到 2017 年，空氣污染狀況有所緩解，全國大下降 10%以上，優(yōu)良天數(shù)逐漸提高。截至到現(xiàn)在，完成“大氣十條”中制定的目標(biāo)仍有很大差距，其中可吸入顆粒同比 NO2的濃度還要高出 5%，PM2.5 所示。

第 2 章 空氣質(zhì)量源受體建模依據(jù)第 2 章 空氣質(zhì)量源受體建模依據(jù)概念氣質(zhì)量源受體質(zhì)量源受體關(guān)系是一個簡易、靈活、快速的空氣質(zhì)量模型，利之間的緊密關(guān)系。此外，空氣質(zhì)量源受體解析技術(shù)的出現(xiàn)可以方法去定量分析空氣中的各種污染物的來源，并具體量化各污實(shí)現(xiàn)源與受體之間映射關(guān)系的橋梁，是治理和預(yù)防大氣污染的雜的課題。源受體模型如圖 2-1 所示。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測預(yù)警仿真[J];計算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時頻聯(lián)合長時循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計算機(jī)研究與發(fā)展;2019年12期

6 李杰;孫仁誠;;幾種典型卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重分析與研究[J];青島大學(xué)學(xué)報(自然科學(xué)版);2019年04期

7 岳新;杜玉紅;蔡文超;;基于GA-BP神經(jīng)網(wǎng)絡(luò)異纖分揀機(jī)檢測參數(shù)優(yōu)化[J];棉紡織技術(shù);2020年01期

8 趙偉榮;李慧;;基于集成神經(jīng)網(wǎng)絡(luò)的織物主觀風(fēng)格預(yù)測研究[J];紡織科技進(jìn)展;2020年01期

9 李金堂;;試析神經(jīng)網(wǎng)絡(luò)技術(shù)在機(jī)械工程中的應(yīng)用及發(fā)展[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2020年02期

10 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

相關(guān)博士學(xué)位論文 前10條

1 洪慶輝;憶阻神經(jīng)網(wǎng)絡(luò)的全電路設(shè)計及其應(yīng)用[D];華中科技大學(xué);2019年

2 田樹耀;基于多尺度變分算法及深度卷積神經(jīng)網(wǎng)絡(luò)的圖像壓縮感知重建[D];燕山大學(xué);2019年

3 孫詩昭;深度學(xué)習(xí)中深度問題與大模型問題的研究[D];南開大學(xué);2018年

4 肖理業(yè);基于機(jī)器學(xué)習(xí)的電磁場建模與設(shè)計研究[D];電子科技大學(xué);2019年

5 陳涵瀛;核電站熱工水力系統(tǒng)工況預(yù)測與診斷方法研究[D];哈爾濱工程大學(xué);2018年

6 梁智杰;聾啞人手語識別關(guān)鍵技術(shù)研究[D];華中師范大學(xué);2019年

7 劉昂;微結(jié)構(gòu)硅基光子學(xué)器件性能的研究[D];南京大學(xué);2019年

8 趙博雅;基于卷積神經(jīng)網(wǎng)絡(luò)的硬件加速器設(shè)計及實(shí)現(xiàn)研究[D];哈爾濱工業(yè)大學(xué);2018年

9 杜昌順;面向細(xì)分領(lǐng)域的輿情情感分析關(guān)鍵技術(shù)研究[D];北京交通大學(xué);2019年

10 陳科海;機(jī)器翻譯上下文表示方法研究[D];哈爾濱工業(yè)大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 程都;基于神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)模型自適應(yīng)修正[D];大連理工大學(xué);2019年

2 池學(xué)敏;基于神經(jīng)網(wǎng)絡(luò)的中錳鋼伺服拉伸性能研究預(yù)測[D];大連理工大學(xué);2019年

3 杜巧林;基于深度學(xué)習(xí)的虛假評論檢測[D];山東科技大學(xué);2018年

4 顧旸鋮;視頻中人物特征提取及檢測算法研究[D];上海交通大學(xué);2017年

5 郭旭;基于深度神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)研究[D];黑龍江大學(xué);2019年

6 王丹蕾;基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品成本核算及預(yù)測[D];北京理工大學(xué);2017年

7 李茹;基于深度神經(jīng)網(wǎng)絡(luò)的水利泵站工控安全研究[D];江蘇科技大學(xué);2019年

8 馮凱;基于RBF神經(jīng)網(wǎng)絡(luò)的煉化項(xiàng)目投資綜合效益評價[D];大連理工大學(xué);2019年

9 宋世杰;基于主分量加權(quán)SOM神經(jīng)網(wǎng)絡(luò)礦井水水源判別研究[D];山東科技大學(xué);2018年

10 熊一點(diǎn);基于深度學(xué)習(xí)的有色纖維配色算法研究[D];東華大學(xué);2019年

本文編號：2886670